警惕废弃物中的“定时炸弹”

化工生产易燃易爆，安全措施不落实或稍有疏忽，就会造成事故危害。即使是报废的厂房、设备或生产过程中的料渣，也必须妥善处理．切不可弃之不管或乱堆乱放。否则，一旦遇到适宜的气候、条件，废弃物中的易燃易爆物质就会慷“定时作弹”，突然爆炸，引发事故。下面撷取几则事故案例．供大家引以为戒。     

碎石类人工地基的动力触探评价

成都地区高强度的卵石土地基，多埋深3～6米左右，为城市建设提供了得天独厚的优越的地基基础条件，但基上广泛地分布有松散饱和液化粉土，粉、细砂土，市区内堆积有较厚的人工填土，它们均不能满足建（构）筑的的地基需要，由于未很好开发挖掘天然地基的潜力，大量采用桩基础，从而在地基基础方面增加了较大的投入。     

建立河南油田“全天候”电网的探讨

按照建立“全天候”电网的要求,分析了油田电网大气过电压保护设计标准偏低,方案选型不合理;内部过电压保护不完善;线路及设备污闪严重;抗自然灾害能力差;以及通讯系统、运行管理、综合治理等方面的问题。提出了完善大气过电压保护;加强内部过电压保护等5项适应“全天候”电网的措施。     

基于人工势场方法的WSN传感覆盖率提高算法

感覆盖率是WSN系统中重要的性能指标之一。Sink节点的移动性能提高系统的传感覆盖率,人工势场能描述普通节点与Sink节点之间的关系。提出了一种利用人工势场方法有效的Sink节点移动控制策略,通过Sink节点的移动能够提高系统的传感覆盖率。普通节点搜集的数据能通过多跳的方式传送给Sink节点。在最初的随机部署之后,由人工势场产生的力迫使移动Sink节点移动到整个环境中的平衡点以获得更高的传感覆盖率。在整个算法执行过程中无需事先了解环境的情况,此方法能在实时的环境中采用。给出了具体的算法步骤,最后利用一个仿真实例对控制效果进行了说明。     

英特尔发布全新架构英特尔至强融核协处理器

2012年11月英特尔公司推出了多年研究和协作的结晶——英特尔至强融核协处理器,旨在为制造、生命科学、能源和其它领域的创新性突破提供绝佳的性能。英特尔此举开创了高性能计算的新纪元,因为随着更为准确地预测气候模式、创建更为高效的能源资源和开发治愈各类疾病的方法成为全球众多紧迫问题中需要优先解决的商业和研究课题,它们对于实现更快     

气动人工肌肉手臂的神经网络Smith预估控制

针对含时滞d的1关节气动人工肌肉(PAM)手臂,用三层递归神经网络(RNN),建立PAM手臂包含时滞的模型(即非线性Smith预估器),并超前d步预测PAM手臂的输出角度.将此超前d步的预测值作为反馈量,与设定值相比较得到的误差作为PID控制器输入量,实现Smith预估PID控制.同时每一步都用RNN模型当前时刻的输出值与PAM手臂当前时刻实际输出值之差的平方做为RNN权值的在线调整准则对RNN预测模型的权值进行在线调整,以自适应PAM手臂的不确定性和时变性.使用Matlab通过串口和研华亚当模块对实物PAM手臂进行控制,控制效果表明所提出的Smith预估PID控制算法比常规PID控制算法的性能有显著提高,证明所提出的算法是有效的和切实可行的.     

基于混沌优化与人工鱼群算法的混合算法研究

针对人工鱼群算法和混沌优化算法的特点,将人工鱼群算法与混沌优化算法相结合提出一种混合算法。此混合算法是利用混沌变量敏感性来提高人工鱼群初始群体解的质量;然后利用混沌的遍历性和随机性扰动使鱼群算法摆脱局部极值点,提高全局收敛性。仿真实验结果表明了混合算法的有效性。最后,给出了在一定条件下提出的混合算法的收敛性证明。     

人工内分泌系统研究

内分泌系统蕴含着复杂而独特的信息处理机制,受其启发而产生的人工内分泌系统(AES)有着很好的发展前景。本文首先从不同层次上对内分泌系统进行了总结,进而对一些典型的AES模型及其应用进行了全面分析,讨论了应重点关注的研究方向,从而使人们在此方向上研究其理论和应用技术,更好的满足复杂系统对智能信息处理的应用需求。     

基于人工鱼群的淋巴恶性肿瘤细胞分割方法

研究淋巴恶性肿瘤细胞分割的问题,提高淋巴恶性肿瘤多细胞分割的准确率。针对淋巴恶性肿瘤细胞聚合度比较大,传统方式进行细胞分割时,很难根据病变细胞之间的灰度值差异分割聚合在一起的细胞。但是由于淋巴深度癌变的聚合细胞灰度值差异比较小,导致传统方式进行细胞分割的准确率比较低。为了避免上述问题,提出了一种人工鱼群算法的淋巴恶性肿瘤细胞分割方法,根据建立淋巴恶性肿瘤细胞轮廓模型,获取的淋巴恶性肿瘤细胞边界,利用人工鱼群边界聚类方法,对细胞进行分割处理。实验证明,提出的细胞分割方法能够提高淋巴恶性肿瘤细胞分割的准确率,取得了很好的效果。     

基于数据融合的ABC-SVM社区疾病预测方法

针对现有社区医疗服务中的疾病预测方法存在数据利用率低、疾病分析类型单一、自动化程度差、疾病预测效果不理想等不足,提出在物联网大数据环境下可用于社区医疗的健康数据融合及疾病预测方法. 通过主成分分析(PCA)和聚类分析对社区中居民的生理指标数据进行特征提取;结合人工蜂群(ABC)算法构造支持向量机(SVM)非线性分类器对数据进行特征级融合分析并预测潜在疾病. 实验结果表明,所提方法的疾病识别准确率达到93.10%,相较于传统SVM方法和BP神经网络方法分别提高17.24% 和72.41%. 该方法能够在提高数据利用率、降低计算资源消耗的前提下有效识别多种潜在疾病,可实现疾病早发现、早预防、早治疗;可广泛应用于社区健康管理、老年社区监护甚至临床医疗.